The Heterogeneous Effects of Peer-to-Peer Ride-Hailing on Traffic: Evidence from Uber's Entry in California
Notice bibliographique
Résumé
Despite their promise, popularity and rapid growth, the transit implications of ride-hailing platforms (e.g., Uber, Lyft) are not altogether clear. On the one hand, ride-hailing services can provide pooling (i.e., traffic reductions) advantages, by efficiently matching customer demand (i.e., trips) with resources (i.e., cars) or by facilitating carsharing. On the other hand, ride-hailing may also induce extra travel due to increased convenience and travel mode substitution, which may create crowding (i.e., traffic increases). We seek to reconcile these divergent perspectives here, exploring the heterogeneous determinants of ride-hailing’s effects. Taking advantage of Uber’s staggered entry into various geographic markets in California, we execute a regression-based difference-in-differences analysis to estimate the impact of ride-hailing services on traffic volumes. Using monthly micro data from more than 9,000 vehicle detector station (VDS) units deployed across California, we show that Uber’s effect (either pooling or crowding) on traffic depends on various contextual factors. We find some evidence of pooling effects on weekdays; however, Uber’s entry leads to significant crowding effects on weekends. Furthermore, the crowding effect is amplified on interior roads and in areas characterized by high population density. While ride-hailing seems to have a substitution effect on public transportation, we find ride-hailing services may have a complementary effect for carpooling users. Finally, we show that premium ride-hailing services (e.g., Uber Black) almost exclusively lead to a crowding effect. We conduct a battery of robustness tests (e.g., propensity score matching, alternative treatment approaches, placebo tests) to ensure the consistency of our findings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».